摘要：風(fēng)機(jī)齒輪箱的故障診斷主要取決于運(yùn)維工程師的工作經(jīng)驗(yàn)和信號(hào)分析能力，本文針對(duì)該問(wèn)題提出了一種新的風(fēng)機(jī)齒輪箱故障智能診斷方法。首先，通過(guò)格拉姆角場(chǎng)（Gramian Angular Difference Field，GADF）將少量齒輪箱振動(dòng)信號(hào)進(jìn)行維度變換，得到其二維可視化圖像。其次，搭建并增強(qiáng)深度卷積神經(jīng)網(wǎng)絡(luò)模型，即IConvNeXt模型。最后，將小樣本的齒輪箱可視化圖像數(shù)據(jù)作為IConvNeXt的輸入進(jìn)行模型訓(xùn)練，實(shí)現(xiàn)齒輪箱故障特征自適應(yīng)提取與識(shí)別。公開(kāi)數(shù)據(jù)集驗(yàn)證結(jié)果表明，本文方法對(duì)齒輪箱的故障識(shí)別效果顯著。

關(guān)鍵詞：風(fēng)機(jī)齒輪箱；故障智能診斷；小樣本；格拉姆角場(chǎng)；深度卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TH13""""""""" 文獻(xiàn)標(biāo)志碼：A

由于風(fēng)電機(jī)組的復(fù)雜性越來(lái)越高，作為核心部件的齒輪箱會(huì)發(fā)生點(diǎn)蝕和斷齒等故障，因此對(duì)其進(jìn)行有效的故障診斷至關(guān)重要[1]。

隨著深度學(xué)習(xí)快速發(fā)展，以人工智能方法進(jìn)行故障端到端診斷成為未來(lái)的發(fā)展趨勢(shì)。卷積神經(jīng)網(wǎng)絡(luò)是故障診斷領(lǐng)域眾所周知的模型，逐漸成為故障診斷領(lǐng)域中的研究熱點(diǎn)。趙璐等[2]將齒輪箱的振動(dòng)信號(hào)輸入網(wǎng)絡(luò)，但其故障識(shí)別準(zhǔn)確率較低，而CNN在計(jì)算機(jī)視覺(jué)領(lǐng)域具有不可替代的作用，因此可將振動(dòng)信號(hào)轉(zhuǎn)成圖像，并充分利用深度學(xué)習(xí)模型智能識(shí)別圖像的優(yōu)勢(shì)。

ConvNeXt模型得益于神經(jīng)網(wǎng)絡(luò)模型Transformer，可利用其中的模型結(jié)構(gòu)等一系列優(yōu)勢(shì)來(lái)改進(jìn)ResNet50。試驗(yàn)表明，ConvNeXt特征提取能力得到了提升，因此本文利用IConvNeXt模型來(lái)診斷齒輪箱故障，提出一種風(fēng)機(jī)齒輪箱故障智能診斷方法，利用GADF將齒輪箱振動(dòng)信號(hào)轉(zhuǎn)換為圖像，將其圖像數(shù)據(jù)作為IConvNeXt模型的輸入進(jìn)行模型訓(xùn)練，得到預(yù)訓(xùn)練網(wǎng)絡(luò)模型，再以此預(yù)訓(xùn)練模型對(duì)齒輪箱故障進(jìn)行智能診斷。

1理論基礎(chǔ)

1.1格拉姆角場(chǎng)

格拉姆角場(chǎng)編碼可將不同齒輪運(yùn)轉(zhuǎn)狀態(tài)振動(dòng)信號(hào)中的全部信息以可視化的二維圖像形式進(jìn)行表達(dá)，并保留其中的特征信息，非常適合作為深度卷積神經(jīng)網(wǎng)絡(luò)模型的輸入。格拉姆角場(chǎng)編碼的具體計(jì)算步驟如下所示。

步驟1，對(duì)傳感器采集的齒輪運(yùn)轉(zhuǎn)狀態(tài)振動(dòng)信號(hào)進(jìn)行歸一化，如公式（1）所示。

（1）

式中：vi（t）為歸一化后i在t時(shí)刻的幅值；vmax和vmin分別為當(dāng)前時(shí)間斷面節(jié)點(diǎn)振動(dòng)信號(hào)數(shù)據(jù)的最大值和最小值。

步驟2，極坐標(biāo)變換，即使用極坐標(biāo)系表征歸一化后的振動(dòng)信號(hào)幅值量，如公式（2）所示。

（2）

式中：φi（t）和ri分別為vi（t）在極坐標(biāo)下對(duì)應(yīng)的角度值和半徑值，其中φi（t）∈[0；τ/2]，i=1，2，...，N。

步驟3，對(duì)極坐標(biāo)系下不同節(jié)點(diǎn)的振動(dòng)幅值數(shù)據(jù)進(jìn)行三角變換，如公式（3）所示。

G=[vi（t）·vj（t）]Ni，j=1（3）

式中：G為三角變換值；·為內(nèi)積運(yùn)算。

如果采用兩角和的余弦函數(shù)計(jì)算點(diǎn)的內(nèi)積，即為GASF，如公式（4）所示。

vi（t）·vj（t）=cos（φi（t）+φj（t））（4）

如果采用兩角差的正弦函數(shù)計(jì)算點(diǎn)的內(nèi)積，即為GADF，如公式（5）所示。

vi（t）·vj（t）=sin（φi（t）+φj（t））（5）

通過(guò)上述分析，本文采用GADF將一維的齒輪振動(dòng)信號(hào)轉(zhuǎn)換為二維圖像，以此作為IConvNeXt深度卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行模型訓(xùn)練，得到預(yù)訓(xùn)練模型，進(jìn)而對(duì)齒輪故障進(jìn)行智能診斷。

1.2卷積神經(jīng)網(wǎng)絡(luò)

CNN由輸入層、卷積層、池化層、全連接層和輸出層組成，卷積層的數(shù)學(xué)計(jì)算過(guò)程如公式（6）所示。

x=f（Σi∈Mjxjl-1·klij+bjl）（6）

式中：Mj為特征圖；l為第l層網(wǎng)絡(luò)；k為卷積核；b為網(wǎng)絡(luò)偏置；x為l層輸出；xjl-1為l層輸入；f（·）為激活函數(shù)。

池化層可對(duì)卷積層提取的特征進(jìn)行降維，并壓縮數(shù)據(jù)量和參數(shù)量，在一定程度上減少過(guò)擬合，其內(nèi)部神經(jīng)元的計(jì)算方法如公式（7）所示。

x=f（βdown（xjl-1）+b）（7）

式中：down（·）為子采樣函數(shù)；β為網(wǎng)絡(luò)乘性偏置。

通過(guò)全連接層整合卷積層和池化層提取壓縮的不同故障類別的特征，并輸出到分類器進(jìn)行分類。

1.3ConvNeXt深度卷積神經(jīng)網(wǎng)絡(luò)

ConvNeXt模型以Transformer模型為基礎(chǔ)并改進(jìn)了ResNet50模型，使其推理速度更快且準(zhǔn)確率更高。改進(jìn)內(nèi)容如下所示。1）改進(jìn)訓(xùn)練方法。2）更改計(jì)算比率。3）更改下采樣模塊。4）采用MobileNet中的深度卷積降低計(jì)算量。5）用Transformer中的反向瓶頸設(shè)計(jì)取了ResNet50網(wǎng)絡(luò)模型的瓶頸結(jié)構(gòu)。6）使用GELU激活函數(shù)，減少激活函數(shù)的數(shù)量和歸一化層數(shù)，用Transformer中對(duì)隱含層做層歸一化的LayerNorm代替加快神經(jīng)網(wǎng)絡(luò)訓(xùn)練和收斂速度的算法BatchNorm，并分離下采樣層。

1.4IConvNeXt深度卷積神經(jīng)網(wǎng)絡(luò)

1.4.1數(shù)據(jù)增強(qiáng)模塊

試驗(yàn)過(guò)程中ConvNeXt深度卷積神經(jīng)網(wǎng)絡(luò)存在不穩(wěn)定和識(shí)別準(zhǔn)確率低等問(wèn)題，本文結(jié)合齒輪振動(dòng)信號(hào)格拉姆角場(chǎng)二維圖像的特點(diǎn)，并針對(duì)ConvNeXt深度卷積神經(jīng)網(wǎng)絡(luò)模型中的學(xué)習(xí)率衰減策略和數(shù)據(jù)增強(qiáng)模塊中所使用的數(shù)據(jù)增強(qiáng)方法進(jìn)行如下操作。1）圖像按比例融合（Mixup）。2）隨機(jī)刪除二維圖像的一個(gè)矩形區(qū)域，并通過(guò)另一張圖像的同一位置像素值進(jìn)行填充，標(biāo)簽根據(jù)像素所占比例進(jìn)行分配（Cutmix）。3）自動(dòng)數(shù)據(jù)增強(qiáng)（RandAugment）和隨機(jī)擦除增強(qiáng)（Random Erasing）的方法并不適用于齒輪振動(dòng)信號(hào)的二維圖像。

經(jīng)試驗(yàn)后，本文提出適合齒輪不同運(yùn)轉(zhuǎn)狀態(tài)振動(dòng)信號(hào)格拉姆角場(chǎng)編碼圖像的數(shù)據(jù)增強(qiáng)方法。1）對(duì)訓(xùn)練集進(jìn)行圖像的隨機(jī)裁剪、隨機(jī)水平翻轉(zhuǎn)、張量化（ToTensor）和標(biāo)準(zhǔn)化（Normalize）。2）對(duì)測(cè)試集進(jìn)行尺寸調(diào)整、中心裁剪、張量化和標(biāo)準(zhǔn)化。通過(guò)這些方法來(lái)提高深度卷積神經(jīng)網(wǎng)絡(luò)ConvNeXt在訓(xùn)練和測(cè)試過(guò)程中的數(shù)據(jù)集數(shù)量和質(zhì)量，達(dá)到提高模型泛化能力和魯棒性的目的。

1.4.2學(xué)習(xí)率衰減策略

將ConvNeXt網(wǎng)絡(luò)中使用的預(yù)熱學(xué)習(xí)率策略和余弦衰變策略（cosine decaying）做小幅更改，即取消余弦衰變策略，只使用預(yù)熱學(xué)習(xí)率策略，以預(yù)熱的小學(xué)習(xí)率在訓(xùn)練的初始階段進(jìn)行模型訓(xùn)練，使模型慢慢趨于穩(wěn)定，再選擇預(yù)先設(shè)置的大學(xué)習(xí)率進(jìn)行訓(xùn)練，以此提高模型的收斂速度，提升模型的最終效果。

2齒輪箱故障智能診斷方法

本文所提齒輪箱故障智能診斷方法結(jié)合了格拉姆角場(chǎng)轉(zhuǎn)換的圖像，可以充分避免丟失故障信號(hào)中的微弱故障信息，發(fā)揮ConvNeXt深度卷積神經(jīng)網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集中強(qiáng)大的自適應(yīng)提取圖像數(shù)據(jù)特征的優(yōu)勢(shì)，具體方法流程如下。

1）采用公式Y(jié)=M-N/D+1，將采集的齒輪箱實(shí)驗(yàn)臺(tái)數(shù)據(jù)通過(guò)滑動(dòng)窗口截取構(gòu)造樣本，其中M為原數(shù)據(jù)序列數(shù)據(jù)點(diǎn)個(gè)數(shù)，N為樣本長(zhǎng)度，D為采樣步長(zhǎng)[3]。2）將一維的齒輪箱實(shí)驗(yàn)臺(tái)數(shù)據(jù)通過(guò)GADF轉(zhuǎn)換為二維圖像。3）劃分?jǐn)?shù)據(jù)集，將齒輪箱實(shí)驗(yàn)臺(tái)數(shù)據(jù)的GADF二維圖像以8∶2比例劃分訓(xùn)練集和測(cè)試集。4）通過(guò)IConvNeXt模型對(duì)輸入的小樣本訓(xùn)練集和測(cè)試集進(jìn)行故障特征提取，從而得到預(yù)訓(xùn)練模型。5）通過(guò)齒輪箱實(shí)驗(yàn)臺(tái)數(shù)據(jù)訓(xùn)練模型對(duì)齒輪箱故障進(jìn)行智能診斷。

3案例研究與試驗(yàn)

本節(jié)將對(duì)齒輪箱數(shù)據(jù)進(jìn)行故障診斷試驗(yàn)。試驗(yàn)運(yùn)行的軟件環(huán)境為Windows2019操作系統(tǒng)，硬件環(huán)境為TeslaV100-32顯卡，運(yùn)行內(nèi)存為32G。在pycharm平臺(tái)上使用pytorch搭建深度卷積神經(jīng)網(wǎng)絡(luò)ConvNeXt框架。對(duì)齒輪箱實(shí)驗(yàn)臺(tái)數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，得到預(yù)訓(xùn)練模型。

本文采用東南大學(xué)動(dòng)力傳動(dòng)模擬實(shí)驗(yàn)臺(tái)采集的齒輪箱數(shù)據(jù)集，其齒輪狀態(tài)類型包括正常、缺齒、斷齒、根部故障和表面故障。

本文只選取轉(zhuǎn)速-負(fù)載配置為20Hz-0V工況下，樣本長(zhǎng)度為65536的5類齒輪箱實(shí)驗(yàn)臺(tái)采集的不同齒輪故障數(shù)據(jù)，由窗口大小為1024、采樣步長(zhǎng)為512的滑動(dòng)窗口截取相同的數(shù)據(jù)片段，經(jīng)GADF轉(zhuǎn)換成圖像大小為（224×224）ppi的5類齒輪振動(dòng)信號(hào)二維圖像，共635張，如圖1所示。不同顏色的像素點(diǎn)完整地體現(xiàn)了齒輪不同運(yùn)轉(zhuǎn)狀態(tài)振動(dòng)信號(hào)的所有信息（包括信號(hào)中的噪聲干擾），減少了齒輪振動(dòng)信號(hào)去噪的預(yù)處理過(guò)程。將這635張二維圖像以約4∶1的比例劃分訓(xùn)練集和測(cè)試集，見(jiàn)表1。

將表1中的齒輪箱二維GADF圖像數(shù)據(jù)作為ConvNeXt深度卷積神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練結(jié)果如圖2所示。500張二維圖像訓(xùn)練模型迭代次數(shù)達(dá)到268次后，其訓(xùn)練和測(cè)試準(zhǔn)確率已經(jīng)穩(wěn)定在100%，損失也已經(jīng)降至0.0035以下，進(jìn)而Loss和準(zhǔn)確率趨于穩(wěn)定，最終模型準(zhǔn)確率達(dá)到99.8%～100%的穩(wěn)定收斂狀態(tài)，表明本文所提模型在小樣本和短時(shí)間訓(xùn)練情況下，對(duì)齒輪不同狀態(tài)振動(dòng)信號(hào)中的故障特征進(jìn)行了有效學(xué)習(xí)。

通過(guò)將測(cè)試集數(shù)量增至每類63個(gè)來(lái)驗(yàn)證該模型的識(shí)別準(zhǔn)確率，并通過(guò)網(wǎng)絡(luò)提取測(cè)試集特征，由T-SNE降維算法對(duì)其進(jìn)行二維可視化，結(jié)果如圖3所示。齒輪正常、斷齒、缺齒、根部故障以及表面故障這5類狀態(tài)分類明顯且沒(méi)有重疊區(qū)域，各故障間距離較遠(yuǎn)，表明本文所提方法在小樣本齒輪箱實(shí)驗(yàn)臺(tái)數(shù)據(jù)訓(xùn)練中得到了較好的預(yù)訓(xùn)練模型。

4結(jié)論

本文使用GADF將齒輪箱振動(dòng)信號(hào)轉(zhuǎn)換二維圖像，并利用搭建的IConvNeXt模型對(duì)齒輪箱GADF圖像的強(qiáng)大特征提取能力，對(duì)齒輪箱故障進(jìn)行智能診斷。本文提出的風(fēng)機(jī)齒輪箱故障智能診斷方法在一定程度上解決了深度學(xué)習(xí)模型診斷齒輪箱故障需要大量故障標(biāo)簽樣本訓(xùn)練的問(wèn)題。

參考文獻(xiàn)

[1]辛紅偉，安偉倫，武英杰，等. 風(fēng)電齒輪箱兩級(jí)齒圈故障下振動(dòng)信號(hào)幅值耦合調(diào)制建模[J]. 振動(dòng)與沖擊，2021，40（22）：221-233.

[2]趙璐，馬野. 基于一維卷積神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷研究[J]. 測(cè)試技術(shù)學(xué)報(bào)，2019，33（4）：302-306.

[3]唐貴基，田寅初，田甜. 基于AlexNet-Adaboost的多工況滾動(dòng)軸承故障識(shí)別方法[J]. 振動(dòng)與沖擊，2022，41（2）：20-25.